Makine Öğrenmesi Algoritmaları ile Trol Hesapların Tespiti

Year 2021, Volume: 9 Issue: 1, 430 - 442, 31.01.2021

Bengisu Erdi Eylül Aleyna Şahin Muzaffer Su Toydemir Tansel Dökeroğlu

https://doi.org/10.29130/dubited.748366

Cited By: 3

Abstract

Sosyal medya kullanımı gün geçtikçe artmakta ve beraberinde birçok yeni problemi de getirmektedir. Kişilerin düşünce, duygu ve fikirlerini kolaylıkla paylaşabildiği bu ortamlarda aşağılayıcı ve rencide edici saldırılarda bulunan hesaplara son zamanlarda sıkça rastlanmaya başlanmıştır. Siber zorbalık (cyberbullying) olarak adlandırılan bu durum ve eylemi yapan trol hesapların insanların bireysel ve sosyal yaşantılarına verdiği zararların engellenmesi bir ihtiyaç haline gelmiştir. Bu tür kullanıcıların mesajları insanları rahatsız etmekte ve sayıları takip edilemeyecek miktarlara ulaştığı durumlarda yazılımlar ile tespit edilmesi, gerektiğinde engellenmesi ve sınırlandırılması gerekmektedir. Biz bu çalışma ile Twitter üzerinde trol davranışları sergileyen kullanıcı hesaplarını tespit etmek için makine öğrenmesi yöntemlerini kullandık. Support Vector Machine (SVM), Logistic Regression (LR) ve Random Forest Regression (RFR) ile Twitter üzerinden topladığımız veriler ile trol kullanıcıların mesajları üzerinden çıkardığımız özellikler (features) ile kapsamlı deneyler gerçekleştirdik. Elde ettiğimiz sonuçlarda %93.93’lere varan oranlarda trol hesaplarını tespit etmeyi ve engellemeyi başardık.

Keywords

Trol, Makine öğrenmesi, Logistic regression

References

• [1] K. K. Cole, “It's like she's eager to be verbally abused”: Twitter, trolls, and (en) gendering disciplinary rhetoric. Feminist Media Studies, vol. 15(2), pp. 356-358, 2015,
• [2] https://www.bbc.com/turkce/haberler-turkiye-53259275 (Erişim zamanı; Haziran, 20, 2020).
• [3] P. Galán-García et al., Supervised machine learning for the detection of troll profiles in twitter social network: Application to a real case of cyberbullying. Logic Journal of the IGPL, vol. 24(1), pp. 42-53, 2016.
• [4] Y. M. Kızılkaya, “Duygu analizi ve sosyal medya alanında uygulama,” Doktora Tezi, Sosyal Bilimler Enstitüsü / Ekonometri Anabilim Dalı / İstatistik Bilim Dalı, Uludağ Üniv.,Türkiye, 2018.
• [5] B. Sriram, D. Fuhry, E. Demir, H. Ferhatosmanoglu, and M. Demirbas, “Short text classification in twitter to improve information filtering,” in Proc. 33rd Int. ACM SIGIR Conf. on Research and Development in İnformation Retrieval, 2010, pp. 841-842,
• [6] G. Xiang, B. Fan, L. Wang, J. Hong, and C. Rose, “Detecting offensive tweets via topical feature discovery over a large scale twitter corpus,” in Proc. 21st ACM Int. Conf. on Information and Knowledge Management, 2012, pp. 1980-1984, [7] P. Fornacciari et al., “A holistic system for troll detection on Twitter,” Computers in Human Behavior, vol. 89, pp. 258-268, 2018,
• [8] P. Tsantarliotis, E. Pitoura, and P. Tsaparas, “Troll Vulnerability in Online Social Networks,” in Proc. IEEE/ACM Int. Conf. on Advances in Social Networks Analysis and Mining (ASONAM), Aug. 2016, pp. 1394-1396.
• [9] M. Engelin, and F. De Silva, “Troll detection: a comparative study in detecting troll farms on Twitter using cluster analysis,” KTH, Stockholm, Sweden, May 2016.
• [10] T. Mihaylov, T., and P. Nakov, “Hunting for troll comments in news community forums,” in Proc. 54th Annual Meeting of the Association for Computational Linguistics, Nov. 2019, pp. 399-405.
• [11] L. Hong, O.Dan, and B. D. Davison, “Predicting Popular Messages in Twitter,” in Proc. 20th Int. Conf. Companion on World Wide Web, Mar. 2011, pp. 57–58.
• [12] E. Bulut, and E. Yörük, “Mediatized populisms Digital populism: Trolls and political polarization of Twitter in Turkey,” International Journal of Communication, vol. 11, pp. 4093–4117, 2017.
• [13] D. Özsoy, “Tweeting political fear: Trolls in Turkey,” Journal of History School (JOHS), vol. 12, pp. 535-552, Jun. 2015.
• [14] N. Chavoshi, H. Hamooni, and A. Mueen, “Identifying correlated bots in twitter,” in Proc. Int. Conf. on Social Informatics, Nov. 2016, pp. 14-21.
• [15] J. Im, et al., “Still out there: Modeling and identifying Russian troll accounts on Twitter,” Jan. 2019, arXiv:1901.11162.
• [16] A. Badawy, E. Ferrara, and K. Lerman, “Analyzing the digital traces of political manipulation: The 2016 russian interference twitter campaign,” in Proc. IEEE/ACM Int. Conf. on Advances in Social Networks Analysis and Mining (ASONAM), Aug. 2011, pp. 258-265,
• [17] J. Cheng et al., “Anyone can become a troll: Causes of trolling behavior in online discussions,” in Proc. ACM Conf. on Computer Supported Cooperative Work and Social Computing, Feb.2017, pp. 1217-1230.
• [18] C. Seah, et al., “Troll detection by domain-adapting sentiment analysis,” in Proc. 18th Int. Conf. on Information Fusion (Fusion) , Jul. 2015, pp. 792-799.
• [19] K. Simsek. “Makine Öğrenmesi Dersleri 4a: Lojistik Regresyon.” https://medium.com/ data-science-tr/makine-öğrenmesi-dersleri-4-lojistik-regresyon-304fefab0a49 (Erişim zamanı; Haziran, 20, 2020).